一种基于图像识别的鱼卵计数装置和方法

技术领域

本发明涉及渔业技术领域，尤其涉及到一种基于图像识别的鱼卵计数装置和方法。

背景技术

在水产养殖业的发展中，鱼卵的精准计数是养殖密度控制、鱼存活率评估、鱼卵出售等养殖规范化管理的基础保障。

目前常用的鱼卵计数方法主要是人工法、刻度法和称重法，人工法用培养皿、塑料盘、搪瓷盆进行人工清点鱼卵或者用碗、杯等固定容积的小量具按照舀取的次数进行计数，这种方法误差大、效率低，还有可能对鱼卵造成损伤；刻度法就是用刻度盘和计数箱对鱼卵进行计数，虽然一定程度上提高了工作效率，但是误差较大；称重法就是直接称取卵巢重量或者鱼卵总重，然后多次称取单个卵子重量取平均值，从而实现计数，这些方法在一定程度上都存在误差大、效率低和损伤鱼卵的风险。

为了解决上述问题，申请号为202021110387.3的专利申请文件公开了一种基于图像处理的非粘性鱼卵计数系统，包括箱体、照片采集装置、鱼卵计数装置、锂电池以及控制开关；箱体的上端以及鱼卵计数装置的上端均开口；鱼卵计数装置置于箱体内部；照片采集装置设置在箱体上并朝向鱼卵计数装置的上端开口处；锂电池置于箱体内部并分别与控制开关、照片采集装置以及鱼卵计数装置相连；控制开关设置在箱体的侧壁上。

上述鱼卵计数系统通过设置偏心电机让计数皿产生振动，让鱼卵均匀的平铺在计数皿上，使得鱼卵不会重叠在一起，从而提高了计数的准确性。但是，当鱼卵本身具备较强的粘性时，则其无法通过通过振动将鱼卵分离，导致该计数系统的泛用性不足。

因此，我们有必要对这样一种结构进行改善，以克服上述缺陷。

发明内容

本发明的目的是提供一种基于图像识别的鱼卵计数装置和方法，根据鱼卵特性，对图像进行预处理和形态学处理来提取目标鱼卵轮廓，然后通过连通域算法对不重叠部分鱼卵进行计数，用SVM对重叠部分进行识别区分，搭建重叠模型进行计数。

本发明的上述技术目的是通过以下技术方案实现的：

一种基于图像识别的鱼卵计数装置，包括

用于隔绝外界光线的黑箱，

设置在所述黑箱底部的用于放置鱼卵的拍摄平台,

设置在黑箱顶部的用于照明鱼卵的漫反射光源和用于采集拍摄平台中鱼卵图像的相机，

以及与相机通讯连接的用于保存和显示鱼卵图像，并进行识别计数的计算机。

一种基于图像识别的鱼卵计数方法，包括如下步骤：

1)打开漫反射光源，将相机与计算机连接；

2)打开相机，将鱼卵平铺或重叠在托盘上后，再放置在拍摄平台上，调整相机焦距和光圈，使得成像中能够看清鱼卵为止；

3)将相机拍摄的鱼卵图像传送到计算机中，计算机通过识别计数算法对鱼卵图像中的鱼卵数量进行识别统计，并实时显示。

进一步的，所述识别计数算法根据鱼卵特性，对鱼卵图像进行预处理和形态学处理来提取目标鱼卵轮廓，然后通过连通域算法对不重叠部分鱼卵进行计数，通过SVM算法对重叠部分进行识别区分，搭建重叠模型进行计数。

进一步的，所述识别计数算法的具体步骤如下：

1)构建图像目标区域：依据托盘的不同大小对图像中所需分析的目标区域进行掩膜操作，确定目标区域；

2)图像预处理操作：对图像进行滤波操作，然后将图像进行二值化，根据鱼卵的特征性状，对二值化后图像进行膨胀腐蚀操作，让鱼卵特征更显，鱼卵之间的分界更清晰；

3)目标提取操作：采用canny算子结合膨胀腐蚀操作提取目标轮廓；

4)异常操作：针对图像中鱼卵重叠的部分，根据图像中不同重叠高度搭建模型来判断重叠鱼卵的个数；

5)构建特征模型：依据不同重叠的特征，构建不同鱼卵特征图像；

6)对所述鱼卵特征图像进行样本分析，采用SVM算法对重叠部分进行分析；对未有重叠的部分使用连通域法进行计数，对重叠的部分进行计数模型搭建，根据重叠层数进行计数；

7)鱼卵图像通过以上操作分割成非重叠与重叠部分，所述鱼卵图像中鱼卵的数量实际等于统计的非重叠鱼卵与重叠部分鱼卵数量的总和。

进一步的，所述通过连通域算法对不重叠部分鱼卵进行计数如下：

连通域算法原理：

1第一次扫描：

访问当前像素B(x,y)，如果B(x,y)＝＝1：

a、如果B(x,y)的领域中像素值都为0，则赋予B(x,y)一个新的label：

label+＝1，B(x,y)＝label；

b、如果B(x,y)的领域中有像素值>1的像素Neighbors：

1将Neighbors中的最小值赋予给B(x,y):

B(x,y)＝min{Neighbors}

2记录Neighbors中各个值label之间的相等关系，即这些值label同属同一个连通区域；

2第二次扫描：

访问当前像素B(x,y)，如果B(x,y)>1：

a、找到与label＝B(x,y)同属相等关系的一个最小label值，赋予给B(x,y)；

完成扫描后，图像中具有相同label值的像素就组成了同一个连通区域，记录连通区域。

进一步的，所述通过SVM算法对重叠的部分进行计数模型搭建，根据重叠层数进行计数的算法如下：

由于不同重叠部分鱼卵表现的特征特性不同，对不同重叠程度的图像进行样本标注，以不同重叠程度的鱼卵作为特征向量参数，构建不同特征样本空间R＝{Si}，Si＝[TSi,0n-i,…0n]，其中TSi为重叠程度的特征向量；联立样本空间和重叠程度可得训练样本集T＝{Ri}，其中i＝3，建立SVM分类模型，其逻辑表达式为：

式中：ω、b分别为超平面法向量和常数项，C为惩罚因子，ξ

采用RBF径向基核函数进行空间映射，该映射的函数表达式为：

式中：g为核参数，控制函数的径向作用范围。

综上所述，本发明具有以下有益效果：

根据鱼卵特性，对图像进行预处理和形态学处理来提取目标鱼卵轮廓，然后通过连通域算法对不重叠部分鱼卵进行计数，用SVM对重叠部分进行识别区分，搭建重叠模型进行计数。

附图说明

图1是本发明所述的鱼卵计数装置的结构框图。

图2是本发明所述的鱼卵计数装置的示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合图示与具体实施例，进一步阐述本发明。

如图1和图2所示，本发明提出的一种基于图像识别的鱼卵计数装置，包括

用于隔绝外界光线的黑箱(1)，

设置在所述黑箱(1)底部的用于放置鱼卵的拍摄平台(2),

设置在黑箱(1)顶部的用于照明鱼卵的漫反射光源(3)和用于采集拍摄平台(2)中鱼卵图像的相机(4)，

以及与相机(4)通讯连接的用于保存和显示鱼卵图像，并进行识别计数的计算机(5)。

其中相机(4)焦距8mm，工作距离30cm，采用支架安装，固定在黑箱(1)顶部；漫反射光源(3)为平行白光光源，面板尺寸为20mm*280mm，安装在相机(4)的两侧，主要用于黑箱(1)内鱼卵的照明；拍摄平台(2)大小为350mm*350mm，可满足拍摄所需要的托盘。

一种基于图像识别的鱼卵计数方法，包括如权利要求1所述的鱼卵计数装置，包括如下步骤：

1)打开漫反射光源(3)，将相机(4)与计算机(5)连接；

2)打开相机(4)，将鱼卵平铺或重叠在托盘上后，再放置在拍摄平台(2)上，调整相机焦距和光圈，使得成像中能够看清鱼卵为止；

3)将相机(4)拍摄的鱼卵图像传送到计算机(5)中，计算机(5)通过识别计数算法对鱼卵图像中的鱼卵数量进行识别统计，并实时显示。

所述识别计数算法根据鱼卵特性，对鱼卵图像进行预处理和形态学处理来提取目标鱼卵轮廓，然后通过连通域算法对不重叠部分鱼卵进行计数，通过SVM算法对重叠部分进行识别区分，搭建重叠模型进行计数。

实施例1

所述识别计数算法的具体步骤如下：

1)构建图像目标区域：依据托盘的不同大小对图像中所需分析的目标区域进行掩膜操作，确定目标区域；

2)图像预处理操作：对图像进行滤波操作，然后将图像进行二值化，根据鱼卵的特征性状，对二值化后图像进行膨胀腐蚀操作，让鱼卵特征更显，鱼卵之间的分界更清晰；

3)目标提取操作：采用canny算子结合膨胀腐蚀操作提取目标轮廓；

4)异常操作：针对图像中鱼卵重叠的部分，根据图像中不同重叠高度搭建模型来判断重叠鱼卵的个数；

5)构建特征模型：依据不同重叠的特征，构建不同鱼卵特征图像；

6)对所述鱼卵特征图像进行样本分析，采用SVM算法对重叠部分进行分析；对未有重叠的部分使用连通域法进行计数，对重叠的部分进行计数模型搭建，根据重叠层数进行计数；

7)鱼卵图像通过以上操作分割成非重叠与重叠部分，所述鱼卵图像中鱼卵的数量实际等于统计的非重叠鱼卵与重叠部分鱼卵数量的总和。

实施例2

所述通过连通域算法对不重叠部分鱼卵进行计数如下：

连通域算法原理：

1第一次扫描：

访问当前像素B(x,y)，如果B(x,y)＝＝1：

a、如果B(x,y)的领域中像素值都为0，则赋予B(x,y)一个新的label：

label+＝1，B(x,y)＝label；

b、如果B(x,y)的领域中有像素值>1的像素Neighbors：

1将Neighbors中的最小值赋予给B(x,y):

B(x,y)＝min{Neighbors}

2记录Neighbors中各个值label之间的相等关系，即这些值label同属同一个连通区域；

2第二次扫描：

访问当前像素B(x,y)，如果B(x,y)>1：

a、找到与label＝B(x,y)同属相等关系的一个最小label值，赋予给B(x,y)；

完成扫描后，图像中具有相同label值的像素就组成了同一个连通区域，记录连通区域。

实施例3

所述通过SVM算法对重叠的部分进行计数模型搭建，根据重叠层数进行计数的算法如下：

由于不同重叠部分鱼卵表现的特征特性不同，对不同重叠程度的图像进行样本标注，以不同重叠程度的鱼卵作为特征向量参数，构建不同特征样本空间R＝{Si}，Si＝[TSi,0n-i,…0n]，其中TSi为重叠程度的特征向量；联立样本空间和重叠程度可得训练样本集T＝{Ri}，其中i＝3，建立SVM分类模型，其逻辑表达式为：

式中：ω、b分别为超平面法向量和常数项，C为惩罚因子，ξ

采用RBF径向基核函数进行空间映射，该映射的函数表达式为：

式中：g为核参数，控制函数的径向作用范围。

将鱼卵图像通过以上操作分割成非重叠与重叠部分，该图像中鱼卵的数量实际等于统计的非重叠鱼卵与重叠部分鱼卵数量的总和。通过在拍摄图像中人为构建重叠鱼卵，可以将图像中不同部分转为分类问题。支持向量机(supportvectormachines,SVM)方法在小样本分析中取得了非常好的应用效果，具备较好的鲁棒性，由于鱼卵细小、透明、黏连等特征，相关重叠样本来源较少，适用于小样本分类计数，因此选择SVM算法作为分类算法来区分各中重叠部分的鱼卵。

在本文中，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”、“竖直”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了表达技术方案的清楚及描述方便，因此不能理解为对本发明的限制。

在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。